No ano passado, a comunidade empresarial de IA esteve travada em um debate sobre quanta liberdade dar aos agentes de IA. Se for muito pouco, você obterá uma automação de fluxo de trabalho cara que mal justifica o rótulo de “agente”. Se for demais, você terá o tipo de desastre de limpeza de dados que atormentou os primeiros usuários de ferramentas como o OpenClaw. Esta semana, o Google Labs lançou uma atualização para Opalaseu construtor de agente visual sem código, que chega silenciosamente a uma resposta — e traz lições que todo líder de TI que planeja uma estratégia de agente deve estudar cuidadosamente.
A atualização introduz o que o Google chama de “etapa do agente” que transforma os fluxos de trabalho de arrastar e soltar, anteriormente estáticos, do Opal em experiências dinâmicas e interativas. Em vez de especificar manualmente qual modelo ou ferramenta chamar e em que ordem, os construtores agora podem definir uma meta e deixar o agente determinar o melhor caminho para alcançá-la – selecionando ferramentas, acionando modelos como Gemini 3 Flash ou Veo para geração de vídeo e até mesmo iniciando conversas com usuários quando precisar de mais informações.
Parece uma modesta atualização de produto. Não é. O que o Google lançou é uma arquitetura de referência funcional para os três recursos que definirão os agentes corporativos em 2026:
-
Roteamento adaptativo
-
Memória persistente
-
Orquestração human-in-the-loop
…e tudo isso é possível graças ao rápido aprimoramento das habilidades de raciocínio de modelos de ponta como a série Gemini 3.
O ponto de inflexão ‘fora dos trilhos’: por que modelos melhores mudam tudo no design do agente
Para entender por que a atualização do Opal é importante, você precisa entender uma mudança que vem crescendo em todo o ecossistema de agentes há meses.
A primeira onda de estruturas de agentes empresariais — ferramentas como as primeiras versões do CrewAI e os lançamentos iniciais do LangGraph — foi definida por uma tensão entre autonomia e controle. Os primeiros modelos simplesmente não eram confiáveis o suficiente para serem confiáveis na tomada de decisões abertas. O resultado foi o que os profissionais começaram a chamar de “agentes sobre trilhos”: fluxos de trabalho fortemente restritos onde cada ponto de decisão, cada chamada de ferramenta e cada caminho de ramificação tinham que ser pré-definidos por um desenvolvedor humano.
Essa abordagem funcionou, mas foi limitada. Construir um agente sobre trilhos significava antecipar todos os estados possíveis que o sistema poderia encontrar – um pesadelo combinatório para qualquer coisa além de tarefas simples e lineares. Pior ainda, significava que os agentes não poderiam se adaptar a situações novas, a mesma capacidade que torna a IA agêntica valiosa em primeiro lugar.
A série Gemini 3, junto com lançamentos recentes como Claude Opus 4.6 e Sonnet 4.6 da Anthropic, representa um limiar onde os modelos se tornaram confiáveis o suficiente no planejamento, raciocínio e autocorreção para que os trilhos possam começar a se soltar. A atualização Opal do próprio Google é um reconhecimento dessa mudança. A nova etapa do agente não exige que os construtores pré-definam cada caminho através de um fluxo de trabalho. Em vez disso, ele confia no modelo subjacente para avaliar o objetivo do usuário, avaliar as ferramentas disponíveis e determinar dinamicamente a sequência ideal de ações.
Esse é o mesmo padrão que tornou viáveis os fluxos de trabalho de agente e a chamada de ferramentas de Claude Code: os modelos são bons o suficiente para decidir a próxima etapa do agente e, muitas vezes, até mesmo para se autocorrigir sem que um humano reavise manualmente cada erro. A diferença em comparação com Claude Code é que o Google agora está empacotando essa capacidade em um produto sem código para o consumidor – um forte sinal de que a tecnologia subjacente amadureceu além da fase experimental.
Para equipes corporativas, a implicação é direta: se você ainda está projetando arquiteturas de agentes que exigem caminhos predefinidos para cada contingência, provavelmente você está fazendo engenharia excessiva. A nova geração de modelos suporta um padrão de design onde você define metas e restrições, fornece ferramentas e deixa o modelo lidar com o roteamento – uma mudança da programação de agentes para o gerenciamento deles.
Memória entre sessões: o recurso que separa as demonstrações dos agentes de produção
A segunda grande adição na atualização do Opal é a memória persistente. O Google agora permite que o Opals lembre informações entre sessões – preferências do usuário, interações anteriores, contexto acumulado – fazendo com que os agentes melhorem com o uso, em vez de começar do zero a cada vez.
O Google não divulgou a implementação técnica por trás do sistema de memória do Opal. Mas o padrão em si está bem estabelecido na comunidade de construção de agentes. Ferramentas como o OpenClaw lidam com memória principalmente por meio de markdown e arquivos JSON, uma abordagem simples que funciona bem para sistemas de usuário único. As implantações corporativas enfrentam um problema mais difícil: manter a memória entre vários usuários, sessões e limites de segurança sem vazar contexto confidencial entre eles.
Essa divisão de memória entre usuários únicos e multiusuários é um dos desafios mais subdiscutidos na implantação de agentes corporativos. Um assistente de codificação pessoal que lembra a estrutura do seu projeto é fundamentalmente diferente de um agente voltado para o cliente que deve manter estados de memória separados para milhares de usuários simultâneos, ao mesmo tempo em que cumpre as políticas de retenção de dados.
O que a atualização do Opal sinaliza é que o Google considera a memória um recurso central da arquitetura do agente, não um complemento opcional. Para os decisores de TI que avaliam as plataformas dos agentes, isto deve informar os critérios de aquisição. Uma estrutura de agente sem uma estratégia de memória clara é uma estrutura que produzirá demonstrações impressionantes, mas terá dificuldades na produção, onde o valor de um agente aumenta em interações repetidas com os mesmos usuários e conjuntos de dados.
Human-in-the-loop não é um substituto – é um padrão de design
O terceiro pilar da atualização do Opal é o que o Google chama de “bate-papo interativo” – a capacidade de um agente pausar a execução, fazer uma pergunta de acompanhamento ao usuário, coletar informações ausentes ou apresentar escolhas antes de prosseguir. Na terminologia da arquitetura de agentes, trata-se de orquestração humana, e sua inclusão em um produto de consumo é reveladora.
Os agentes mais eficazes na produção hoje em dia não são totalmente autónomos. São sistemas que sabem quando atingiram os limites de sua confiança e podem devolver o controle graciosamente a um ser humano. Este é o padrão que separa os agentes empresariais fiáveis do tipo de sistemas autónomos descontrolados que geraram histórias de advertência em toda a indústria.
Em estruturas como LangGraph, o human-in-the-loop tem sido tradicionalmente implementado como um nó explícito no gráfico – um ponto de verificação codificado onde a execução é pausada para revisão humana. A abordagem do Opal é mais fluida: o próprio agente decide quando precisa da contribuição humana com base na qualidade e integridade das informações que possui. Este é um padrão de interação mais natural e com melhor escalabilidade, porque não exige que o construtor preveja com antecedência exatamente onde a intervenção humana será necessária.
Para os arquitetos empresariais, a lição é que o envolvimento humano não deve ser tratado apenas como uma rede de segurança aparafusada após a construção do agente. Deve ser uma capacidade de primeira classe da própria estrutura do agente – que o modelo possa invocar dinamicamente com base na sua própria avaliação de incerteza.
Roteamento dinâmico: deixando o modelo decidir o caminho
O recurso final significativo é o roteamento dinâmico, onde os construtores podem definir vários caminhos através de um fluxo de trabalho e permitir que o agente selecione o caminho apropriado com base em critérios personalizados. O exemplo do Google é um agente de briefing executivo que segue caminhos diferentes dependendo se o usuário está se reunindo com um cliente novo ou existente – pesquisando na web informações básicas em um caso, revisando notas de reuniões internas no outro.
Isso é conceitualmente semelhante à ramificação condicional que LangGraph e estruturas semelhantes suportam há algum tempo. Mas a implementação do Opal reduz drasticamente a barreira, permitindo que os construtores descrevam critérios de roteamento em linguagem natural, em vez de código. O modelo interpreta os critérios e toma a decisão de roteamento, em vez de exigir que um desenvolvedor escreva uma lógica condicional explícita.
A implicação empresarial é significativa. O roteamento dinâmico baseado em critérios de linguagem natural significa que analistas de negócios e especialistas de domínio — e não apenas desenvolvedores — podem definir comportamentos complexos de agentes. Isto muda o desenvolvimento de agentes de uma disciplina puramente de engenharia para uma onde o conhecimento do domínio se torna o principal gargalo, uma mudança que poderia acelerar drasticamente a adoção em unidades de negócios não técnicas.
O que o Google está realmente construindo: uma camada de inteligência do agente
Afastando-se dos recursos individuais, o padrão mais amplo na atualização do Opal é que o Google está construindo uma camada de inteligência que fica entre a intenção do usuário e a execução de tarefas complexas e de várias etapas. Com base nas lições de um SDK de agente interno chamado “Tábua de ensaio”, a etapa do agente não é apenas mais um nó em um fluxo de trabalho — é um camada de orquestração que podem recrutar modelos, invocar ferramentas, gerenciar memória, rotear dinamicamente e interagir com humanos, tudo impulsionado pelas capacidades de raciocínio cada vez melhores dos modelos Gemini subjacentes.
Este é o mesmo padrão arquitetônico emergente em toda a indústria. O Código Claude da Antrópico, com sua capacidade de gerenciar tarefas de codificação de forma autônoma durante a noite, depende de princípios semelhantes: um modelo capaz, acesso a ferramentas, contexto persistente e ciclos de feedback que permitem a autocorreção. O plug-in Ralph Wiggum formalizou a percepção de que os modelos podem ser pressionados por suas próprias falhas para chegar a soluções corretas – uma versão de força bruta da autocorreção que o Opal agora empacota parte disso em uma experiência refinada do consumidor.
Para as equipes empresariais, a conclusão é que a arquitetura do agente está convergindo para um conjunto comum de princípios: planejamento direcionado a objetivos, uso de ferramentas, memória persistente, roteamento dinâmico e orquestração humana no circuito. O diferenciador não será quais primitivos você implementará, mas quão bem você os integrará — e quão efetivamente você aproveitará os recursos de melhoria dos modelos de fronteira para reduzir a quantidade de configuração manual necessária.
O manual prático para criadores de agentes corporativos
O fornecimento desses recursos pelo Google em um produto gratuito voltado para o consumidor envia uma mensagem clara: os padrões fundamentais para a construção de agentes de IA eficazes não são mais pesquisas de ponta. Eles são produzidos. As equipes empresariais que aguardavam o amadurecimento da tecnologia agora têm uma implementação de referência com a qual podem estudar, testar e aprender — a custo zero.
As etapas práticas são diretas. Primeiro, avalie se suas arquiteturas de agentes atuais estão excessivamente restritas. Se cada ponto de decisão exigir lógica codificada, você provavelmente não estará aproveitando os recursos de planejamento dos modelos de fronteira atuais. Em segundo lugar, priorize a memória como um componente arquitetônico central, e não como uma reflexão tardia. Terceiro, projete o human-in-the-loop como um recurso dinâmico que o agente pode invocar, em vez de um ponto de verificação fixo em um fluxo de trabalho. E quarto, explore o roteamento de linguagem natural como uma forma de trazer especialistas do domínio para o processo de design do agente.
O próprio Opal provavelmente não se tornará a plataforma adotada pelas empresas. Mas os padrões de design que ele incorpora – agentes adaptativos, ricos em memória e com reconhecimento humano, alimentados por modelos de fronteira – são os padrões que definirão a próxima geração de IA empresarial. O Google mostrou sua mão. A questão para os líderes de TI é se eles estão prestando atenção.
